为什么真正的通用人工智能（AGI）不会实现？

通用人工智能（AGI）与超级智能是当前人工智能领域备受关注的前沿话题，常伴随着技术奇点与指数级进步的乐观预期。然而，华盛顿大学助理教授 Tim Dettmers 在其分析中指出，这些预期可能忽视了一个根本现实：计算是物理的，其发展受到物理规律和资源限制的严格约束。

核心内容

Dettmers 的核心论点围绕几个关键限制展开。

首先，计算过程本身受到物理空间和能量的限制。无论是数字计算还是生物大脑，信息处理都无法摆脱这一现实。人类大脑的体积和能耗已接近生物极限，而数字计算也面临类似瓶颈。具体而言，以 GPU 为代表的算力增长自 2018 年后已显著放缓，硬件优化空间有限。任何线性的性能提升，往往需要指数级的资源投入，这意味着单纯依靠“规模化”来取得突破的模式已难以为继。

其次，现有的主流 AI 架构，如 Transformer，其物理效率已接近极限。尽管在模型细节上仍有改进空间，但这些改进带来的效益正在递减，远不足以支撑实现 AGI 所需的爆发式进步。AI 技术的未来发展，更可能体现在经济层面的广泛扩散和具体应用场景的增多，而非诞生一个单一的、全能的超级智能模型。

再者，AGI 的定义要求其能完成所有人类能执行的任务，包括复杂的物理世界交互。然而，物理环境的极端复杂性和高质量数据采集的高昂成本，构成了巨大障碍。机器人在非结构化环境中的表现，目前远不及为特定任务设计的工业机器人，且其部署的经济效益尚不足以驱动大规模应用。

最后，关于超级智能能够自我迭代、实现指数级飞跃的设想，被 Dettmers 视为一种忽视了资源消耗和收益递减规律的幻想。即使存在更聪明的系统，其持续的自我改进也会因遇到物理瓶颈和边际效益下降而受到限制。

价值与影响

这一分析对 AI 的发展路径和产业策略具有重要启示。Dettmers 特别对比了中美两国的 AI 发展思路：美国倾向于押注于超级智能和“赢家通吃”的竞争模式；而中国则更注重 AI 技术在实际生产与生活中的广泛渗透与经济效益。他认为后者的路径更为务实，也更可能塑造未来的产业格局。

总体而言，AGI 和超级智能的神话，部分源于对计算物理限制的忽视。未来 AI 的真正价值，或许不在于追逐一个遥不可及的终极智能体，而在于如何将现有技术更实用、更高效地扩散到各个领域，切实提升生产力。

---